如何构建基于特定数值条件的深度学习二分类模型？

这个任务本质是基于数值阈值的二分类问题，用简单的深度学习模型就能完美实现，以下是具体步骤和代码实现：

1. 数据准备 #

• 生成训练/测试数据：因为规则明确，直接生成覆盖阈值（20）两侧的随机数值即可。比如生成1~40之间的随机数，对应标签规则：
  • 输入数值>20 → 标签[0, 1]
  • 输入数值<20 → 标签[1, 0]
  • 对于等于20的情况，可根据需求自定义标签（比如归为其中一类，或作为边界样本单独处理）
• 数据格式转换：将单个数值转换为模型可接受的二维数组格式（形状为(样本数, 1)），标签采用one-hot编码格式。
• 划分数据集：按8:2比例划分训练集和测试集，确保两类数据分布均衡。

2. 模型设计 #

由于任务逻辑简单，无需复杂模型，用基础的全连接神经网络（MLP）即可：

• 输入层：接收单个数值，输入维度为1
• 隐藏层：设置少量神经元（比如4个），使用ReLU激活函数增加非线性能力
• 输出层：2个神经元，使用Softmax激活函数，输出对应两类的概率分布
• 损失函数：选择CategoricalCrossentropy（适配one-hot标签的二分类任务）
• 优化器：使用Adam优化器，默认学习率0.001即可

3. 代码实现（TensorFlow/Keras） #

import numpy as np
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
from tensorflow.keras.losses import CategoricalCrossentropy

# 生成训练数据
np.random.seed(42)  # 设置随机种子保证可复现
x_train = np.random.uniform(1, 40, 1000).reshape(-1, 1)
y_train = np.array([[0, 1] if x > 20 else [1, 0] for x in x_train])

# 生成测试数据
x_test = np.random.uniform(1, 40, 200).reshape(-1, 1)
y_test = np.array([[0, 1] if x > 20 else [1, 0] for x in x_test])

# 构建模型
model = Sequential([
    Dense(4, activation='relu', input_shape=(1,)),
    Dense(2, activation='softmax')
])

# 编译模型
model.compile(optimizer='adam',
              loss=CategoricalCrossentropy(),
              metrics=['accuracy'])

# 训练模型
model.fit(x_train, y_train, epochs=20, batch_size=32, validation_split=0.1)

# 评估模型
test_loss, test_acc = model.evaluate(x_test, y_test)
print(f"测试准确率: {test_acc:.4f}")

# 测试预测
sample_inputs = np.array([[15], [25], [20]])
predictions = model.predict(sample_inputs)
print("\n预测示例:")
for x, pred in zip(sample_inputs, predictions):
    pred_class = np.argmax(pred)
    print(f"输入值: {x[0]} → 预测类别编码: {[1,0] if pred_class ==0 else [0,1]}, 概率分布: {np.round(pred, 4)}")

4. 关键注意事项 #

• 数据覆盖范围：如果实际输入的数值可能超出训练时的1~40范围，需扩展训练数据的数值区间，确保模型能学习到正确的阈值逻辑。
• 模型简化：甚至可以去掉隐藏层，直接用输入层连接输出层，同样能完成任务（因为本质是线性阈值判断）。
• 边界处理：针对等于20的输入，可在训练时明确标签，或在预测时单独添加规则判断。

内容的提问来源于stack exchange，提问作者Jinsu Jang